論文の概要: FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments
- arxiv url: http://arxiv.org/abs/2305.08504v1
- Date: Mon, 15 May 2023 10:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 15:01:40.854775
- Title: FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments
- Title（参考訳）: FLARE: フェデレートラーニングに基づくIoTデプロイメントのためのコンセプトドリフトの検出と緩和
- Authors: Theo Chow and Usman Raza and Ioannis Mavromatis and Aftab Khan
- Abstract要約: FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。
固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。
少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
- 参考スコア（独自算出の注目度）: 2.7776688429637466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent, large-scale IoT ecosystems have become possible due to recent
advancements in sensing technologies, distributed learning, and low-power
inference in embedded devices. In traditional cloud-centric approaches, raw
data is transmitted to a central server for training and inference purposes. On
the other hand, Federated Learning migrates both tasks closer to the edge nodes
and endpoints. This allows for a significant reduction in data exchange while
preserving the privacy of users. Trained models, though, may under-perform in
dynamic environments due to changes in the data distribution, affecting the
model's ability to infer accurately; this is referred to as concept drift. Such
drift may also be adversarial in nature. Therefore, it is of paramount
importance to detect such behaviours promptly. In order to simultaneously
reduce communication traffic and maintain the integrity of inference models, we
introduce FLARE, a novel lightweight dual-scheduler FL framework that
conditionally transfers training data, and deploys models between edge and
sensor endpoints based on observing the model's training behaviour and
inference statistics, respectively. We show that FLARE can significantly reduce
the amount of data exchanged between edge and sensor nodes compared to
fixed-interval scheduling methods (over 5x reduction), is easily scalable to
larger systems, and can successfully detect concept drift reactively with at
least a 16x reduction in latency.
- Abstract（参考訳）: センサー技術、分散学習、組み込みデバイスにおける低消費電力推論の最近の進歩により、インテリジェントで大規模なIoTエコシステムが可能になった。
従来のクラウド中心のアプローチでは、生データはトレーニングと推論のために中央サーバに送信される。
一方、フェデレーション学習は、両方のタスクをエッジノードとエンドポイントに近づける。
これにより、ユーザのプライバシーを維持しながら、データ交換の大幅な削減が可能になる。
しかし、トレーニングされたモデルは、データ分散の変化によって動的環境において過小評価され、モデルが正確に推論する能力に影響を与える可能性がある。
このような漂流は、自然に逆らうこともある。
そのため、このような行動を迅速に検出することが最重要となる。
通信トラフィックを同時に低減し,推論モデルの整合性を維持するため,FLAREは,トレーニングデータを条件付きで転送し,モデルのトレーニング行動と推論統計の観測に基づいて,エッジとセンサのエンドポイント間でモデルをデプロイする,新しい2重スケジューリングFLフレームワークである。
本稿では,エッジノードとセンサノード間のデータ交換量を(5倍以上)固定的スケジューリング法と比較して有意に削減でき,大規模システムでは容易に拡張可能であり,少なくとも16倍のレイテンシ低減で,概念ドリフトをリアクティブに検出できることを示す。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Smart Information Exchange for Unsupervised Federated Learning via
Reinforcement Learning [11.819765040106185]
本稿では,Reinforcement Learning を用いたデータ転送のための最適グラフ作成手法を提案する。
目標は、環境の制約を考慮して最も利益をもたらすリンクを作ることです。
数値解析により,提案手法の収束速度とトラグラーレジリエンスの利点が示された。
論文 参考訳（メタデータ） (2024-02-15T00:14:41Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T05:03:00Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for
Industrial IoT [0.0]
我々は,産業用モノのインターネット(IIoT)における頻繁なデータドリフトによる課題を軽減するため,DAWC(Drift-Aware Weight Consolidation)を提案する。
DAWCは複数のデータドリフトシナリオを効率的に管理し、エッジデバイス上での一定のモデル微調整の必要性を最小限にする。
包括的診断・可視化プラットフォームも開発しました。
論文 参考訳（メタデータ） (2023-10-07T06:48:07Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。
既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。
本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文 参考訳（メタデータ） (2022-11-01T14:38:18Z) - Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。
提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。
収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T16:46:45Z) - Asynchronous Federated Learning for Sensor Data with Concept Drift [17.390098048134195]
フェデレートラーニング(FL)では、複数の分散デバイスが共有モデルを共同でトレーニングする。
以前のFLアプローチのほとんどは、トレーニングプロセス中にデバイス上のデータが固定され、静止していると仮定している。
コンセプトドリフトは、既存のデータと今後のデータの間に矛盾があるため、学習プロセスを複雑にします。
本稿では,ローカルデバイス上でのドリフトを検知し,対処するための新しいアプローチであるFedConDを提案する。
論文 参考訳（メタデータ） (2021-09-01T02:06:42Z) - Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。
我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。
我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
論文 参考訳（メタデータ） (2020-09-27T08:28:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。